利用机器学习提高物联网传感器推断精度
技术研究人员仍处于研究如何通过机器学习提高边缘部署物联网传感器性能的早期阶段。早期应用包括将传感器用于图像分类或涉及自然语言处理的任务。不过有一个例子表明了人们是如何取得进步的。
IMDEA Network的研究人员意识到，如果将物联网传感器用于特定的深度学习任务，可能会导致传感器无法保证特定的服务质量，如遭遇延迟和推理准确性降低。然而，参与该项目的研究人员开发了一种名为AMR2的机器学习算法来应对这一挑战。
AMR2利用边缘计算基础设施使物联网传感器推断更加准确，同时实现迅速响应和实时分析。实验表明，与不使用该算法的基本调度任务结果相比，使用算法后的推理精度提高了40%。
他们发现，像这样高效的调度算法对于帮助物联网传感器在边缘部署时正常工作至关重要。一位项目研究人员指出，如果开发人员将AMR2算法用于类似于谷歌图片的服务（即根据图像包含的元素对图像分类），可能会影响执行延迟。开发人员可以部署该算法以确保用户在使用应用程序时不会注意到此类延迟。
边缘人工智能降低连接设备的能耗
2023年，一项针对科技公司首席财务官的研究表明，预计80%的公司来年收入会增加。但增加收入的前提是，员工了解客户的需求并相应地提供产品或服务。
许多物联网设备的制造商想让人们经常佩戴他们产品。一些可穿戴设备可以监测独身一人的员工是否跌倒或感到痛苦；还可以监测担任高体力要求的角色是否处于过度疲劳的状态而需要休息。在这种情况下，用户必须对他们的物联网设备有信心，相信设备可以在工作及其他时间可靠地工作。
这就是研究人员探索边缘人工智能如何提高物联网设备的能源效率的原因之一。物联网设备用于研究久坐对健康的影响，以及正确的姿势是怎样改善结果的。任何捕捉生活方式数据的物联网设备都必须持续收集数据，所以几乎或根本不能出现因为设备电量耗尽而停止收集信息的情况。
为了避免上述情况，受试者佩戴的无线设备通常由纽扣电池供电。一般来说，每个小装置都有惯性传感器，用来收集人们全天移动量的准确数据。然而最主要的问题是，由于传输的数据量很大，电池的电量只维持几个小时。例如研究表明，一个九通道运动传感器每秒读取50个样本，那么一天则会产生超过100MB的数据。
然而，研究人员意识到，机器学习可以让算法仅把关键数据从边缘部署的物联网设备传输到智能手机或其他帮助分析信息的设备。他们继续使用预训练的递归神经网络，发现该算法实现了实时性能，能够改进物联网设备的功能。
为设备端的人工智能训练创造机会
边缘计算的进步，提供了在更多地方使用智能设备的机会。例如，人们建议部署可以根据实时交通状况打开和关闭的智能路灯。技术研究人员和爱好者也对直接部署在边缘的物联网设备上人工智能的训练机会增加感兴趣。这种方法可以提高产品功能，同时降低能耗并完善隐私保护。
麻省理工学院的一个团队研究了在智能边缘设备上训练人工智能算法的可行性。他们尝试了优化多种技术，其中一种技术只需157K内存就可以在微控制器上训练机器学习算法，而其他轻量级训练方法通常需要300-600 MB的内存。这一创新取得了显著的改进。
研究人员解释说，在训练中生成的任何数据都会保留在设备上，从而减少了隐私泄露的危险。他们还提出在正常使用过程中进行训练的用例，例如算法能否通过在智能键盘上键入的内容进行学习。
这种方法无疑取得了令人印象深刻的成果。在一个案例中，该团队只训练了10分钟算法，便能检测图像中的人。这个例子表明优化可以双向进行。
尽管前两个例子侧重于改进物联网设备的工作方式，但这种方法也增强了人工智能训练过程。不过，如果开发人员在物联网设备上训练算法并实现更好的性能的话，这将对人工智能算法和物联网边缘设备都有益处。
如何使用人工智能来改善物联网边缘设备的工作方式？
这些例子表明，在探索人工智能如何改善部署在边缘的物联网设备功能时，研究人员所关注重点。希望这些能为你提供宝贵的见解和灵感。从一个定义明确的问题开始解决总是最好的，然后再寻找能够帮助实现目标的技术和创新方法。
